Journal of Informatics and Computer Science (JINACS)
JINACS (Journal of Informatics and Computer Science) diterbitkan oleh Program Studi S1 Teknik Informatika Universitas Negeri Surabaya dalam empat kali setahun dengan No ISSN Online : 2686-2220 JINACS merupakan jurnal ilmiah dalam bidang Teknik Informatika dan Computer Science. Jurnal ini mencakup bidang ilmu Rekayasa Perangkat Lunak, Jaringan dan Arsitektur Komputer, Komputasi Bergerak, Sistem Temu Kembali Informasi, Kecerdasan Buatan, Pengolahan Citra Digital, Data Mining dll. JINACS terbit 4 (empat) nomor dalam setahun, yaitu bulan September, Desember, Maret dan Juni. Artikel yang telah dinyatakan diterima akan diterbitkan dalam nomor In-Press sebelum nomor regular terbit.
Articles
10 Documents
Search results for
, issue
"Vol 4 No 02 (2022)"
:
10 Documents
clear
<![CDATA[RiasPedia sebagai Aplikasi Rekomendasi Jasa Tata Rias dengan Metode Fuzzy Tahani ]]>
<![CDATA[Wahyu Prasetyo]]>;
<![CDATA[Paramitha Nerisafitra]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 4 No 02 (2022) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26740/jinacs.v4n02.p150-159
<![CDATA[Perkembangan bisnis jasa tata rias saat ini sangat berkembang pesat dengan adanya teknologi sebagai sarana penunjang bisnis. Hal ini membuat persaingan bisnis dibidang tersebut menjadi lebih banyak. Dengan adanya banyak penyedia jasa tata rias yang menawarkan jasa membuat konsumen bingung dalam menentukan pilihan yang tepat sesuai dengan kriteria yang diinginkan seperti lokasi, harga dan ulasan dari konsumen lain yang pernah mendapatkan pelayanan. Penyedia jasa yang baik tentunya memiliki pelayanan yang baik kepada konsumen terutama dalam hal kenyamanan, dan harga yang lebih terjangkau yang membuat daya tarik tersendiri. Dalam mengetahui kualitas penyedia jasa tertentu, konsumen biasanya lebih memperhatikan ulasan dan skor rating dari konsumen yang pernah menggunakan jasa yang lebih dulu akan tetapi terkadang konsumen belum bisa memastikan secara keseluruhan dari rating yang diberikan dalam suatu aplikasi. Dengan permasalahan tersebut penelitian ini memberikan alternatif solusi yang berguna dalam menentukan penyedia jasa tata rias sesuai kriteria dengan Fuzzy Tahani dan menggunakan pendekatan analisis sentimen terhadap suatu ulasan yang positif atau negatif, data kriteria diolah untuk mendapatkan hasil data yang direkomendasikan kepada calon konsumen. Data yang disajikan memiliki nilai fire strength atau tingkat kesesuaian kriteria dengan berkisar antara 0 (nol) sampai dengan angka 1 (satu) sangat sesuai. Tujuan dalam penelitian ini adalah menerapkan logika fuzzy tahani dalam membantu memberikan rekomendasi penyedia jasa tata rias kepada konsumen sesuai dengan kriteria yang telah ditentukan. Hasil akhir penelitian ini adalah aplikasi RiasPedia yang memberikan rekomendasi dan membantu pengambilan keputusan dalam memilih penyedia jasa tata rias.]]>
<![CDATA[Perbandingan Algoritma Cosine Similarity dan Euclidean Distance pada Sistem Rekomendasi Film dengan Metode Item-Based Collaborative Filtering ]]>
<![CDATA[Muhammad Alfian Ma'ruf]]>;
<![CDATA[Anita Qoiriah]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 4 No 02 (2022) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26740/jinacs.v4n02.p160-168
<![CDATA[Sistem rekomendasi saat ini semakin dibutuhkan seiring dengan semakin banyaknya film yang ada, terutama di media digital. Item-Based Collaborative Filtering adalah salah satu dari sekian banyak metode dalam sistem rekomendasi. Metode Item-Based Collaborative Filtering menentukan film yang direkomendasikan berdasarkan kemiripan dengan film lainnya berdasarkan film-film lain yang telah diberi rating. Pada serangkaian proses yang ada dalam Item-Based Collaborative Filtering, terdapat satu tahapan dengan algoritma untuk menentukan similaritas atau kemiripan antar item. Penelitian ini membandingkan dua algoritma untuk menentukan kemiripan antar item. Algoritma yang dibandingkan yaitu Cosine Similarity dan Euclidean Distance. Kedua algoritma tersebut diterapkan dan dilakukan pengujian pada sistem rekomendasi film dengan metode Item-Based Collaborative Filtering pada data rating film MovieLens. Perbandingan dilakukan dengan menghitung nilai Mean Absolute Error dan Root Mean Square Error untuk mengevaluasi hasil akurasi pada tiap algoritma yang digunakan. Pada percobaan dengan menggunakan algoritma Cosine Similarity menghasilkan nilai akurasi dengan Mean Absolute Error sebesar 2,21 serta nilai Root Mean Square Error sebesar 2,51. Sedangkan pada percobaan dengan menggunakan algoritma Euclidean Distance menghasilkan nilai akurasi dengan Mean Absolute Error sebesar 2,24 serta nilai Root Mean Square Error sebesar 2,55. Dari hasil penelitian yang telah dilakukan, algoritma Cosine Similarity memiliki tingkat akurasi lebih baik dibandingkan dengan algoritma Euclidean Distance. Hal tersebut dapat dilihat dari nilai Mean Absolute Error dan juga Root Mean Square Error pada algoritma Cosine Similarity yang lebih memiliki nilai lebih kecil dari algoritma Euclidean Distance.]]>
<![CDATA[Penerapan Container Load Balancing untuk Manajemen Trafik pada Learning Manajemen System ]]>
<![CDATA[Tegar Sukma Hendrana]]>;
<![CDATA[I Made Suartana]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 4 No 02 (2022) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26740/jinacs.v4n02.p169-182
<![CDATA[Abstrak— Metode pembelajaran daring berbasis e-learning saat ini menjadi keharusan untuk diterapkan di berbagai lembaga pendidikan di Indonesia dalam rangka menunjang kegiatan pembelajaran yang lebih fleksibel. Kondisi tersebut menjadikan Moodle Learning Management System (LMS) sebagai salah satu platform yang banyak digunakan untuk merealisasikan sistem pembelajaran berbasis e-learning. Peningkatan intensitas penggunaan serta kompleksitas fitur dari Moodle LMS yang mencakup banyak aktivitas didalamnya, menjadikan standar availability server menjadi komponen penting untuk menunjang aktivitas Moodle yang optimal. Di sisi lain, arsitektur server web tunggal sudah tidak lagi relevan dengan kondisi tersebut. Oleh karena itu, membangun infrastruktur server Moodle yang mampu menunjang berjalannya aktivitas pembelajaran dengan baik sangatlah penting. Penerapan arsitektur clustering web server berbasis docker swarm cluster yang memuat implementasi metode container load balancing menjadi solusi mengenai isu standar availability server Moodle. Docker swarm cluster terdiri dari node manager dan node worker, dengan implementasi container load balancing, node manager mampu mengarahkan user request menuju node worker secara merata sehingga load traffic dapat diatasi dengan baik dan kinerja Moodle lebih optimal. Dari penelitian ini, diperoleh hasil bahwa server Moodle yang dibangun di lingkungan docker swarm cluster dengan menerapkan metode container load balancing mampu merespon load traffic dari user request dengan baik dilihat dari hasil pengujian dengan parameter throughput dan error rate pada aktivitas login, view course, assignments dan quiz. NFS mampu menyediakan penyimpanan data persisten yang dibutuhkan Moodle dalam melakukan tracking terhadap volume moodlecode dan moodledata. Mekanisme scaling dan failover dari docker swarm berjalan dengan baik sehingga membuat tingkat ketersediaan server tinggi. Kata Kunci— Learning Management System, Moodle, Availability Server, Clustering Web Server, Container, Docker Swarm, Load Balancing]]>
<![CDATA[Penerapan Metode Simple Additive Weighting (SAW) Dalam Sistem Penilaian Kinerja Mitra Lembaga Badan Pusat Statistik Jember ]]>
<![CDATA[Dimas Alexandra Noya]]>;
<![CDATA[Anita Qoiriah]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 4 No 02 (2022) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26740/jinacs.v4n02.p194-206
<![CDATA[Kualitas sumber daya manusia merupakan salah satu faktor penunjang produktivitas kinerja suatu instansi. Contohnya adalah Mitra BPS yang terlibat dalam pelaksanaan kegiatan statistik. Maka dari itu sumber daya manusia yang berkompetensi tinggi dapat mendukung tingkat kinerja, diperlukan penilaian agar mitra BPS memenuhi standar kualitas yang ditetapkan. Saat ini Badan Pusat Statistik masih menggunakan cara manual dalam proses penilaian kinerja karyawan yaitu dengan menghitung skor setiap kriteria menggunakan microsoft excel. Proses penilaian secara manual sangat mungkin terjadi kesalahan dalam menghitung setiap kriteria, serta memakan waktu lama dalam proses perhitungannya. Oleh karean itu penelitian ini mengusulkan rancangan sistem untuk penilaian kinerja mitra menggunakan metode SAW (Simple Additive Weighting) berbentuk aplikasi mobile agar mempermudah proses penilaian kinerja mitra secara obyektif di BPS berdasarkan bobot dan kriteria-kriteria penilaian yang sudah ditentukan. Kriteria yang digunakan oleh BPS dalam penilaian seorang mitra meliputi : Kecepatan Pengumpulan, Kerapian Tulisan, Subjek Survey, Kesusahan Medan, Jarak Tempuh, Kelengkapan Survey, Kerapian Pakaian. Metode SAW dilakukan dengan mencari penjumlahan terbobot dari rating kinerja pada setiap alternatif pada semua atribut. Hasil dari penelitian dengan menggunakan metode SAW telah berhasil diterapkan dan didapati alternatif terbaik untuk kinerja mitra tertinggi yaitu alternatif Mitra 1 dan Mitra 4 dengan nilai tertinggi 20. Metode SAW pada penelitian ini mempunyai accuracy sebesar 100% dengan pengujian terhadap 56 data koresponden.]]>
<![CDATA[Penerapan Metode TF-IDF dan Deep Neural Network untuk Analisa Sentimen pada Data Ulasan Hotel ]]>
<![CDATA[Fachriza Dian Adhiatma]]>;
<![CDATA[Anita Qoiriah]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 4 No 02 (2022) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26740/jinacs.v4n02.p183-193
<![CDATA[Data ulasan pelanggan memainkan peran yang penting dalam dunia bisnis karena dapat digunakan oleh para pelaku usaha untuk lebih memahami pelanggan serta mengetahui kelebihan dan kekurangan dari produk yang ditawarkannya. Namun, data ulasan tersebut hadir dalam jumlah yang besar di internet dan terus bertambah setiap harinya sehingga proses analisis menjadi lebih susah jika dilakukan secara manual. Analisa sentimen merupakan teknik untuk mengklasifikasikan data-data teks kedalam berbagai kelas sentimen. Penelitian ini bertujuan untuk membuat sistem analisa sentimen untuk data perhotelan menggunakan metode TF-IDF dan deep neural network. Metode TF-IDF digunakan untuk mengubah data teks menjadi vektor numerik, sedangkan deep neural network digunakan untuk mengklasifikasikan data vektor tersebut kedalam tiga kelas sentimen, yaitu positif, negatif dan netral. Penelitian ini juga bertujuan untuk mengeksplorasi kombinasi parameter yang memberikan hasil terbaik atau biasa juga disebut dengan hyperparameter tuning. Beberapa parameter yang diuji adalah kombinasi n-gram, nilai learning rate, dan jumlah hidden layers. Dari hasil penelitian yang dilakukan, metode TF-IDF dan deep neural network terbukti mampu untuk menyelesaikan permasalahan analisa sentimen untuk data perhotelan. Selain itu, kombinasi parameter yang memberikan hasil terbaik yaitu n-gram dengan jumlah 3, nilai learning rate 0,001, dan hidden layers dengan jumlah 3.]]>
<![CDATA[Perbandingan CNN dan Bi-LSTM pada Analisis Sentimen dan Emosi Masyarakat Indonesia Di Media Sosial Twitter Selama Pandemik Covid-19 yang Menggunakan Metode Word2vec ]]>
<![CDATA[Mohamad Romli Firdaus Kamarula]]>;
<![CDATA[Naim Rochmawati]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 4 No 02 (2022) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26740/jinacs.v4n02.p219-228
<![CDATA[Pandemik Covid-19 hingga kini masih melanda Indonesia. Sudah banyak kebijakan yang diberlakukan oleh Pemerintah untuk mengatasi penyebaran Covid-19 di Indonesia. Beberapa kebijakan yang telah diberlakukan seperti PPKM, PSBB, penggunaan masker, mematuhi protokol kesehatan hingga pelaksanaan vaksinasi. Namun banyaknya varian Covid-19 membuat pandemik ini belum juga berakhir. Dengan banyaknya kebijakan dan peraturan pemerintah dalam menangani pandemik Covid-19, menimbulkan berbabagai macam respon dari masyarakat. Pendapat ini banyak disampaikan melalui media sosial salah satunya twitter. Banyaknya respon dari masyarakat ini dapat kita kelompokkan berdasarkan sentimen polaritas dan emosinya. Sehingga kita mampu menilai sudut pandang masyarakat mengenai kebijakan pemerintah untuk penanganan Covid-19. Tujuan dilakukannya penelitian ini untuk mengetahui model yang memiliki kemampuan terbaik untuk melakukan proses analisis sentimen dan emosi menggunakan dataset unggahan media sosial twitter. Algoritma CNN dan Bi-LSTM diusulkan untuk digunakan dalam penelitian analisis sentimen dan emosi menggunakan metode Word2Vec. Analisis sentimen dan emosi ini menggunakan data sebanyak 58.984 yang didapatkan melalui proses crawling data unggahan twitter yang berjumlah 22.062 data dan pengunduhan dataset dari website kaggle.com dengan jumlah data sebanyak 36.922 data. Pada penelitian ini model algoritma Bi-LSTM mendapatkan tingkat akurasi sebesar 69,48% untuk analisis sentimen dan 84,36% untuk analisis emosi. Tingkat akurasi ini lebih tinggi dibandingkan dengan algoritma CNN yang menghasilkan tingkat akurasi sebesar 68,58% untuk analisis sentimen dan 84,21% untuk analisis emosi. Berdasarkan hasil tersebut dapat disimpulkan bahwa algoritma Bi-LSTM lebih baik dibandingkan algoritma CNN dalam penelitian analisis sentiment dan emosi menggunakan metode Word2Vec. Kata Kunci— Analisis Sentimen dan Emosi, Covid-19 di Indonesia, Bi-LSTM, CNN, Word2Vec.]]>
<![CDATA[Rancang Bangun Game Edukasi Ular Tangga Kepramukaan Berbasis Android ]]>
<![CDATA[Iqbaal Januar Eka Firmansyah]]>;
<![CDATA[Yuni Yamasari]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 4 No 02 (2022) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26740/jinacs.v4n02.p207-218
<![CDATA[Pendidikan adalah mengarahkan nilai-nilai, pengetahuan, pengalaman dan keterampilan kepada generasi muda sebagai usaha generasi tua dalam menyiapkan fungsi hidup generasi selanjutnya, baik jasmani maupun rohani. Salah satu wadah untuk mencapai tujuan pendidikan nasional adalah sekolah. Salah satu ekstrakurikuler yang sering diikuti oleh siswa serta menjadi ekstrakurikuler utama kebanyakan sekolah adalah Pramuka. Gerakan pramuka yang selama ini menempel pada pendidikan formal mulai dari SD hingga SMA terlihat terlalu menekan kepada pemahaman materi dan kurang menyenangkan, sehingga siswa merasa malas untuk ikut berpartisipasi dalam kegiatan pramuka. Pramuka yang dilakukan di sekolah-sekolah saat ini, hanya menjadi sebuah formalitas. Diperlukan metode pembelajaran baru yang dapat menarik siswa untuk mempelajari pramuka lebih dalam dan mempermudah siswa untuk memahami materi kepramukaan lebih baik. Salah satu metode pembelajaran yang efektif adalah dengan permainan atau game. Sedangkan pembelajaran dengan game dan permainan melalui aplikasi yang khusus untuk permainan edukasi masih sangat jarang ditambah generasi muda saat ini sudah tergiur akan kemudahan dan kepraktisan segala sesuatu yang dilakukan tergantung pada teknologi. Ular Tangga merupakan permainan papan India kuno yang populer di Indonesia, namun hanya sedikit yang memadukan permainan ular tangga dengan unsur pendidikan untuk perangkat Android. Penelitian ini ditujukan untuk mengimplementasikan permainan ular tangga ke dalam game berbasis android yang dapat dijadikan alternatif media pembelajaran materi kepramukaan. Alur penelitian yang digunakan dalam penelitian ini menerapkan metode SDLC Waterfall dengan penambahan serta pengubahan di bagian akhir bagan berupa testing dan evaluasi yang ada pada metode ADDIE. Game ini dibangun menggunakan game engine Unity dengan command bahasa pemrograman C# (C Sharp). Teknik pengumpulan data yang digunakan menggunakan kuesioner. Setelah game ini dibuat akan diujicobakan pada siswa pramuka tingkat Penegak dan Pandega menggunakan campuran tipe kuesioner terbuka dan kuesioner tertutup. Berdasarkan hasil uji coba oleh responden aplikasi Game Ular Tangga Kepramukaan dapat berjalan sesuai fungsinya. Diperoleh responden sejumlah 64 orang dan nilai rata-rata kepuasan responden yang didapat 88,31% yang menunjukkan kepuasan dari game ini. Responden menganggap game ini layak untuk dimainkan.]]>
<![CDATA[Implementasi Markerless Augmented Reality Pada Aplikasi Pengenalan Alat Olahraga Hockey Menggunakan Metode User Defined Target Berbasis Android ]]>
<![CDATA[Margaretha Ekaristi Yobella]]>;
<![CDATA[I Kadek Dwi Nuryana]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 4 No 02 (2022) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26740/jinacs.v4n02.p229-235
<![CDATA[Hockey merupakan salah satu olahraga yang telahdimainkan di Indonesia, namun olahraga ini masih belum cukup populer dan alat – alat olahraga hockey juga masih jarang ditemui di toko olahraga pada umumnya, untuk itu perlu dilakukan pengenalan terhadap olahraga hockey agar masyarakat tertarik untuk mulai memainkan olahraga ini. Adapun salah satu cara pengenalan olahraga ini dapat memanfaatkan teknologi augmented reality dengan demikian masyarakat dapat mengenal olahraga ini dengan efisien dan fleksibel. Salah satu metode untuk menampilkan objek augmented reality yaitu menggunakan markerless dengan teknikuser defined target. Pada aplikasi dilakukan pengujian akurasi menggunakan pertimbangkan jarak, intensitas cahaya dan target yang akan dijadikan marker. Adapun hasil dari pengujian pada sudut, aplikasi dapat menampilkan objek 3D pada target gelap dengan kontras menggunakan sudut baca minimal 0° dan maksimal 45° dan target terang dengan kontras dengan sudut baca minimal 0° dan maksimal 45°. Pada pengujian jarak, aplikasi mampu menampilkan objek 3D terhadap target gelap dengan kontras pada jarak 50 cm hingga 70 cm dan target terang dengan kontras pada jarak 50 cm hingga 70 cm. Pada pengujian intensitas cahaya, aplikasi dapat menampilkan objek 3D pada target gelap dengan kontras ketika intensitas cahaya berada pada minimal 70 lux dan maksimal 1000 lux dan target terang dengan kontras ketika intensitas cahaya berada minimal 70 lux dan maksimal 1000 lux. Berdasarkan hasil kuesioner didapatkan bahwa aplikasi ini sangat layak dengan nilai sebesar 88%.]]>
<![CDATA[Klasifikasi Covid-19 Pada Citra CT-Scan Dengan Mengombinasikan Metode Convolutional Neural Network Dan Support Vector Machine ]]>
<![CDATA[Erita Putri Ramadhani]]>;
<![CDATA[Naim Rochmawati]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 4 No 02 (2022) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26740/jinacs.v4n02.p236-243
<![CDATA[Covid-19 adalah jenis penyakit menular dengan cepat yang disebabkan oleh virus corona yang mewabah pada akhir Desember 2019. Dalam mendeteksi Covid-19 perlu adanya pemeriksaan dengan tes swab, RT-PCR, Chest X-Ray dan CT Scan. Hasil citra CT-Scan memilki kualitas jelas dibanding pemeriksaan lainnya. Untuk hasil yang lebih jelas dalam mengklasifikasi Covid-19 pada pasien dengan menggunakan pendekatan machine learning pada citra CT-Scan paru-paru. Metode machine learning yang digunakan yaitu metode Convolutional Neural Network untuk melakukan proses ekstraksi fitur dan metode Support Vector Machine untuk proses klasifikasi citra Covid-19. Pada tahap klasifikasi Covid-19 pada citra CT-Scan paru-paru terdapat beberapa tahapan proses utama yaitu pendeskripsian data, pra-pemrosesan, ekstraksi fitur dan klasifikasi. Kelas atau label pada data yang digunakan yakni kelas covid dan no covid. Sehingga hasil dari proses pengujian dalam mengombinasikan metode CNN dan SVM didapatkan akurasi sebesar 97.39%, precision sebesar 97.36%, recall sebesar 97.43%, f1-score sebesar 97.39% dan auc sebesar 97.43% dengan parameter CNN yaitu optimizer adam dan parameter SVM yaitu kernel Poly, nilai Degree sebesar 5, nilai Gamma sebesar 1 dan C sebesar 10. Kata Kunci—Machine Learning, Deep Learning, Convolutional Neural Network, Support Vector Machine, Covid-19.]]>
<![CDATA[Analisis Sentimen Pengguna Platform Belajar Online Coursera menggunakan Random Forest dengan Metode Ekstraksi Fitur Word2vec ]]>
<![CDATA[Muhammad Jazaal Aufa]]>;
<![CDATA[Anita Qoiriah]]>
<![CDATA[ Journal of Informatics and Computer Science (JINACS) Vol 4 No 02 (2022) ]]>
Publisher : <![CDATA[Universitas Negeri Surabaya ]]>
Show Abstract
|
Download Original
|
Original Source
|
Check in Google Scholar
|
DOI: 10.26740/jinacs.v4n02.p244-255
<![CDATA[Pembelajaran daring mengharuskan para pelajar dan mahasiswa menggunakan platform belajar online sebagai penunjang belajar di luar kelas, menyebabkan penggunanya meningkat, salah satunya Coursera. Berdasarkan grafik data review selama 2015-2020, pengguna Coursera meningkat drastis sebesar 256% saat awal pembelajaran daring. Namun menurun setelahnya sebesar 24%, sehingga diperlukan sistem analisis sentimen untuk mengetahui polaritas pengguna kursus saat itu secara otomatis. Algoritma klasifikasi yang efisien untuk analisis sentimen adalah Random Forest. Pada kasus text classification jumlah fitur adalah jumlah kata, kumpulan teks review yang mengandung banyak kata menghasilkan jumlah fitur yang banyak pula, maka waktu yang dibutuhkan untuk membangun model menggunakan Random Forest akan sangat lama, sehingga kurang efektif. Dibutuhkan ekstraksi yang mampu mereduksi jumlah fitur, seperti Word2vec. Menggunakan Word2vec sebagai ekstraksi fitur bertujuan agar sistem tidak hanya efisien tapi juga efektif untuk analisis sentimen, karena mampu mendeteksi semantik antar kata. Dari hasil pengujian menggunakan proporsi data berbeda dan parameter Word2vec acak, menunjukkan akurasi terbaik pada proporsi data 80:20 dengan ukuran fitur 100 dimensi dan window 5, dengan akurasi train score dan test score sebesar 92,71% dan 91,42%. Selain menghasilkan peforma paling baik, kombinasi Random Forest dengan Word2vec membutuhkan waktu training model 20 kali lebih cepat dibanding Random Forest dengan TF dan Random Forest dengan pembobotan TF-IDF.]]>
